Link to this sectionمجموعة بيانات COCO8#

Link to this sectionمقدمة#

تعد مجموعة بيانات Ultralytics COCO8 مجموعة بيانات مدمجة وقوية لـ object detection، وتتكون من أول 8 صور من مجموعة COCO train 2017—أربع صور للتدريب وأربع للتحقق. صُممت مجموعة البيانات هذه خصيصاً للاختبار السريع، والتصحيح، والتجربة مع نماذج YOLO وخطوط أنابيب التدريب. حجمها الصغير يجعلها سهلة الإدارة للغاية، في حين يضمن تنوعها أن تكون بمثابة فحص سلامة فعال قبل الانتقال إلى مجموعات بيانات أكبر.

تتوافق COCO8 تماماً مع Ultralytics Platform وYOLO26، مما يتيح التكامل السلس في سير عمل الرؤية الحاسوبية الخاص بك.

Link to this sectionYAML مجموعة البيانات#

يتم تعريف تكوين مجموعة بيانات COCO8 في ملف YAML (Yet Another Markup Language)، الذي يحدد مسارات مجموعة البيانات، وأسماء الفئات، وغيرها من البيانات الوصفية الأساسية. يمكنك مراجعة ملف coco8.yaml الرسمي في Ultralytics GitHub repository.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8 ← downloads here (1 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip

Link to this sectionالاستخدام#

لتدريب نموذج YOLO26n على مجموعة بيانات COCO8 لمدة 100 epochs بحجم صورة 640، استخدم الأمثلة التالية. للحصول على قائمة كاملة بخيارات التدريب، راجع YOLO Training documentation.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Link to this sectionصور وشروحات توضيحية عينة#

فيما يلي مثال على دفعة تدريب موزاييكية (mosaiced) من مجموعة بيانات COCO8:

• صورة موزاييكية: توضح هذه الصورة دفعة تدريب حيث يتم دمج صور متعددة من مجموعة البيانات باستخدام توسيع الموزاييك (mosaic augmentation). يزيد توسيع الموزاييك من تنوع الكائنات والمشاهد داخل كل دفعة، مما يساعد النموذج على التعميم بشكل أفضل على أحجام الكائنات، ونسب العرض إلى الارتفاع، والخلفيات المختلفة.

تعد هذه التقنية مفيدة بشكل خاص لمجموعات البيانات الصغيرة مثل COCO8، حيث تزيد من قيمة كل صورة أثناء التدريب إلى أقصى حد.

Link to this sectionالاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات COCO في بحثك أو تطويرك، يرجى الاستشهاد بالورقة البحثية التالية:

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

شكر خاص لـ COCO Consortium على مساهماتهم المستمرة في مجتمع computer vision.

Link to this sectionالأسئلة الشائعة#

Link to this sectionفيم تُستخدم مجموعة بيانات Ultralytics COCO8؟#

صُممت مجموعة بيانات Ultralytics COCO8 للاختبار السريع وتصحيح نماذج object detection. مع وجود 8 صور فقط (4 للتدريب، 4 للتحقق)، فهي مثالية للتحقق من خطوط أنابيب تدريب YOLO والتأكد من أن كل شيء يعمل كما هو متوقع قبل الانتقال إلى مجموعات بيانات أكبر. استكشف COCO8 YAML configuration لمزيد من التفاصيل.

Link to this sectionكيف يمكنني تدريب نموذج YOLO26 باستخدام مجموعة بيانات COCO8؟#

يمكنك تدريب نموذج YOLO26 على COCO8 باستخدام إما Python أو CLI:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

للحصول على خيارات تدريب إضافية، راجع YOLO Training documentation.

Link to this sectionلماذا يجب أن أستخدم Ultralytics Platform لإدارة تدريب COCO8 الخاص بي؟#

Ultralytics Platform تبسط إدارة مجموعة البيانات، والتدريب، والنشر لنماذج YOLO—بما في ذلك COCO8. بفضل ميزات مثل التدريب السحابي، والمراقبة في الوقت الفعلي، والتعامل البديهي مع مجموعات البيانات، تتيح لك HUB إطلاق التجارب بنقرة واحدة وتزيل عناء الإعداد اليدوي. تعرف على المزيد حول Ultralytics Platform وكيف يمكنها تسريع مشاريع الرؤية الحاسوبية الخاصة بك.

Link to this sectionما هي فوائد استخدام توسيع الموزاييك في التدريب باستخدام مجموعة بيانات COCO8؟#

توسيع الموزاييك (mosaic augmentation)، كما يُستخدم في تدريب COCO8، يدمج صوراً متعددة في صورة واحدة أثناء كل دفعة. هذا يزيد من تنوع الكائنات والخلفيات، مما يساعد نموذج YOLO الخاص بك على التعميم بشكل أفضل على سيناريوهات جديدة. يعد توسيع الموزاييك قيماً بشكل خاص لمجموعات البيانات الصغيرة، حيث يزيد من المعلومات المتاحة في كل خطوة تدريب. لمزيد من المعلومات حول هذا، راجع training guide.

Link to this sectionكيف يمكنني التحقق من صحة نموذج YOLO26 الخاص بي المدرب على مجموعة بيانات COCO8؟#

للتحقق من صحة نموذج YOLO26 الخاص بك بعد التدريب على COCO8، استخدم أوامر التحقق الخاصة بالنموذج في إما Python أو CLI. هذا يقيم أداء نموذجك باستخدام مقاييس قياسية. للحصول على تعليمات خطوة بخطوة، قم بزيارة YOLO Validation documentation.